新闻动态

近日，清华大学精密仪器系先进激光技术团队指导未央书院两名本科生，针对多模光纤（MMF）图像传输中的 “信息损失、计算效率低、色彩失真” 核心挑战，分别提出物理效应启发的Radon域学习框架和多通道复用增强计算成像技术。两项成果分别以“Rotational Memory Effect-Inspired Radon Domain Learning Empowers Image Transmission through Multimode Fibers” 和“Multiplexing-Enhanced Computational Imaging: High-Fidelity Reconstruction and Color Imaging in Multimode Fibers”为题，于近期发表于光学领域的重要学术期刊《Laser & Photonics Reviews》，为微型化光纤成像系统的技术优化与性能提升，提供了新的思路与方案。

创新工作一

物理对称性 “搭桥”，让成像又快又稳 ——旋转记忆效应启发的Radon域学习

1、背景：传统 AI 模型的局限

现有深度神经网络（DNNs）虽能建模多模光纤的输入 - 输出关系，但存在短板。全连接（FC）网络参数冗余（处理 256×256 图像需43 亿参数），计算成本极高，无法适配微型设备；卷积神经网络（CNN）基于平移对称性设计，而多模光纤传输遵循旋转记忆效应（输入图像旋转，输出散斑会同步旋转），这种 “对称性失配” 导致 CNN 对旋转目标重建性能骤降，泛化能力差。

图1. 揭示物理规律与AI计算的“对称性失配”。 左侧(a)，多模光纤（MMF）传输遵循旋转对称性，即输入的旋转会同步反映在输出的散斑上。右侧(b)，传统卷积神经网络基于平移对称性构建。

2、创新：拉东变换当转换器，对齐物理与计算

拉东变换能够将二维图像在空间域的旋转操作，精确地转换为其在一维投影域中沿角度坐标轴的平移操作。研究通过引入拉东变换实现跨域学习，成功地将多模光纤的旋转对称性与神经网络的计算结构对齐。通过充分利用物理系统的内在稀疏性，设计了拉东传输网络（RTMnet），以远低于传统方法的模型尺寸和计算需求，实现了对旋转变换具有高度鲁棒性的高保真图像重建。

图2. RTMnet的网络框架与实验验证。(a) RTMnet重建流程：对散斑进行拉东变换，在正弦图域中通过U型网络学习，最后经逆变换重建图像。 (b) 核心的“空间-傅里叶”模块结合了空间卷积与傅里叶滤波，以适应正弦图的特性。 (c) 采用全光纤系统和数字微镜器件（DMD）进行原理验证实验。

在计算效率方面，在处理256x256像素图像时，RTMnet仅需208万参数和1.15 GFLOPS计算量，远低于传统CNN的1480万参数、31.02 GFLOPS和全连接（MLP）模型的43亿参数。仅使用7000张非旋转图像训练，RTMnet便能对随机旋转的未知图像进行高保真重建。对于旋转测试集，其平均二维图像相似度（2D-PCC）高达90%，图像均方差（MSE）低至0.012，性能显著优于传统CNN模型。

图3. RTMnet的网络图像重建效果。

创新工作二

全光纤彩色成像与信息密度突破——复用增强计算成像

1、背景：单通道传输的 “三大瓶颈”

此前多模光纤成像多依赖单通道传输，导致信息容量低，一次只能传输1组图像，无法满足多目标并行探测需求；散斑噪声影响大，灰度图像的结构保真度（SSIM）普遍低于 0.7；彩色失真严重，即便尝试彩色成像，色彩还原性也难以满足医疗、工业对色彩精准度的要求。

2、创新：波分复用 + 双网络优化

团队提出多路复用增强计算成像技术，通过 “物理层波分复用 + 算法层双网络优化”，物理层面采用波分复用技术，将红、绿、蓝三波长激光同时注入单根多模光纤，借助不同波段信号的非相干性实现并行传输；算法层面设计全连接网络与像素翻译-条件对抗生成网络双网络（FCNN-Pix2Pix-cGAN）联合优化框架，先通过全连接网络（FCNN） 基于逆传输矩阵物理模型完成散斑的快速线性重建，再利用像素翻译-条件对抗生成网络（Pix2Pix-cGAN）的对抗训练抑制非线性噪声，结合多通道加权融合进一步优化细节。

图4. 左侧为物理层面具有波长通道复用的多模光纤高度集成计算成像系统；右侧为算法层面多通道联合优化原理。

该技术不仅使灰度成像 SSIM 从 0.648 跃升至 0.799，信息容量提升 3 倍，还通过三波长散斑对应 RGB 色彩分量传输与融合，将彩色成像色彩偏差 ΔE 从 9.59 降至 7.06，实现单纤高保真彩色成像。此外，还将框架可扩展至时分、空分、偏振复用等场景。

图5. 彩色成像效果演示。

共同价值与展望

两项研究虽聚焦不同问题，但核心思路高度一致——从物理本质出发，让深度学习模型与光学物理规律深度融合。第一个创新工作提出了一个物理引导的深度学习框架，通过引入拉东变换实现跨域学习，成功地将多模光纤的旋转对称性与神经网络的计算结构对齐。通过充分利用物理系统的内在稀疏性，RTMnet以远低于传统方法的模型尺寸和计算需求，实现了对旋转变换具有高度鲁棒性的高保真图像重建，为微型设备的高效成像奠定基础。第二个创新工作融合波分复用物理机制与双神经网络联合优化及图像融合算法，成功攻克了单通道多模光纤成像在信息容量、成像质量和色彩保真度方面的核心瓶颈。这两项成果不仅是技术突破，更以 “AI 适配光学需求” 的共性思路，让 AI 成为精准破解多模光纤图像传输难题的核心工具，为相关技术的实用化探索提供了参考。

此次发表的两项研究成果，分别为清华大学未央书院本科生刘柠赫（现加州理工电气工程一年级博士生）和周怡冰（将到华盛顿大学电气工程系攻读博士学位）作为第一作者完成。两名同学不仅将课堂所学与前沿技术难题深度结合，更在实践中完成了从理论认知到创新突破的跨越，深度参与光学成像领域核心课题，努力攻克技术瓶颈。此外，深度参与人员有为先书院本科生张浩然，精仪系博士生王乐乐、博士生何赵璠、李丹副研究员、闫平教授、柳强教授，指导老师和通讯作者为肖起榕副教授。

论文链接：

Liu N, Wang L, He Z, et al. Laser Photonics Rev. 2025, e00089. DOI: 10.1002/lpor.202500089

Zhou Y, Wang L, He Z, et al. Laser Photonics Rev. 2025, e01267. DOI: 10.1002/lpor.202501267